[python]池化层学习---学习笔记

池化操作主要就是对卷积后得到的特征进行进一步的处理（主要是降维），池化层可以起到对数据的浓缩的效果，从而缓解计算时的内存的压力。

对卷积后的结果进行池化层操作，主要介绍了最大值池化、平均值池化、自适应平均值池化，并可视化结果。

对卷积后的结果进行最大值池化：

# 池化层操作
# 对卷积后的结果进行最大值池化
maxpool2 = nn.MaxPool2d(2, stride=2)
pool2_out = maxpool2(imconv2dout)
pool2_out_im = pool2_out.squeeze()
print("最大值池化后的尺寸：", pool2_out.shape)
# 可视化最大值池化后的结果
plt.figure(figsize=(12, 6))
plt.subplot(1, 2, 1)
plt.title("MaxPool2d--1")
plt.imshow(pool2_out_im[0].data, cmap=plt.cm.gray)
plt.axis("off")
plt.subplot(1, 2, 2)
plt.title("MaxPool2d--2")
plt.imshow(pool2_out_im[1].data, cmap=plt.cm.gray)
plt.axis("off")
plt.show()

平均值池化：

# 对卷积后的结果进行平均值池化
avgpool2 = nn.AvgPool2d(2, stride=2)
pool2_out = avgpool2(imconv2dout)
pool2_out_im = pool2_out.squeeze()
print("平均值池化后的尺寸：", pool2_out.shape)
# 可视化平均值池化后的结果
plt.figure(figsize=(12, 6))
plt.subplot(1, 2, 1)
plt.title("AvgPool2d--1")
plt.imshow(pool2_out_im[0].data, cmap=plt.cm.gray)
plt.axis("off")
plt.subplot(1, 2, 2)
plt.title("AvgPool2d--2")
plt.imshow(pool2_out_im[1].data, cmap=plt.cm.gray)
plt.axis("off")
plt.show()

自适应平均值池化：

# 对卷积后的结果进行自适应平均值池化
AdaAvgpool2 = nn.AdaptiveAvgPool2d(output_size=(100, 100))
pool2_out = AdaAvgpool2(imconv2dout)
pool2_out_im = pool2_out.squeeze()
print("自适应平均值池化后的尺寸：", pool2_out.shape)
# 可视化自适应平均值池化后的结果
plt.figure(figsize=(12, 6))
plt.subplot(1, 2, 1)
plt.title("AdaptiveAvgPool2d--1")
plt.imshow(pool2_out_im[0].data, cmap=plt.cm.gray)
plt.axis("off")
plt.subplot(1, 2, 2)
plt.title("AdaptiveAvgPool2d--2")
plt.imshow(pool2_out_im[1].data, cmap=plt.cm.gray)
plt.axis("off")
plt.show()

前面的卷积操作在上一个笔记里面，链接：https://blog.csdn.net/mm15707472721/article/details/135491142?spm=1001.2014.3001.5502

或者，我还是直接贴在这里吧！（怕我自己不记得）

import torch
import torch.nn as nn
import numpy as np
import matplotlib.pyplot as plt
from PIL import Image
import os
os.environ["KMP_DUPLICATE_LIB_OK"] = "TRUE"
myim = Image.open(".idea/data/Lenna.png")
myimgray = np.array(myim.convert("L"), dtype=np.float32)
# 数组转化为张量
imh, imw = myimgray.shape
myimgray_t = torch.from_numpy(myimgray.reshape((1, 1, imh, imw)))
print("数组转张量后的shape：", myimgray_t.shape)
# 对灰度图像进行卷积提取图像轮廓
kersize = 5 # 定义边缘检测卷积核，并将维度处理为1*1*5*5
ker = torch.ones(kersize, kersize, dtype=torch.float32) * -1
ker[2, 2] = 24
ker = ker.reshape((1, 1, kersize, kersize))
print("ker:", ker)
# 进行卷积操作
conv2d = nn.Conv2d(1, 2, (kersize, kersize), bias=False)
# 设置卷积时使用的核，第一个核使用边缘检测核
conv2d.weight.data[0] = ker
# 对灰度图进行卷积操作
imconv2dout = conv2d(myimgray_t)
# 对卷积后的输出进行维度压缩
imconv2dout_im = imconv2dout.data.squeeze()
print("卷积后尺寸：", imconv2dout_im.shape)